See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/322049361

SPATIAL DATA PANEL

Book · December 2017

CITATIONS READS

0 2,484

2 authors:

Rezzy Eko Caraka Hasbi Yasin

Chaoyang University of Technology Universitas Diponegoro
138 PUBLICATIONS   288 CITATIONS    70 PUBLICATIONS   146 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

GENERAL REGRESSION NEURAL NETWORK (GRNN) View project

Generalized Linear Latent Variable Models (GLLVM) TMB PACKAGE View project

All content following this page was uploaded by Rezzy Eko Caraka on 22 July 2018.

The user has requested enhancement of the downloaded file.

 SPATIAL
DATA PANEL
Rezzy Eko Caraka

i
 Sanksi Pelanggaran Pasal 72
Undang-undang Nomor 19 Tahun 2002
Tentang Hak Cipta :

1. Barangsiapa dengan sengaja dan tanpa hak mengumumkan atau memperbanyak ciptaan
pencipta atau memberi izin untuk itu, dapat dipidana dengan pidana penjara masing-masing
paling singkat 1 (satu) bulan dan/atau denda paling sedikit Rp. 1.000.000,00 (satu juta rupiah),
atau pidana penjara paling lama 7 (tujuh) tahun dan/atau denda paling banyak Rp.
5.000.000.000,00 (lima miliar rupiah).
2. Barangsiapa dengan sengaja menyiarkan, memamerkan, mengedarkan, atau menjual kepada
umum suatu ciptaan atau barang hasil pelanggaran hak cipta atau hak terkait, dapat dipidana
dengan penjara paling lama 5 (lima) tahun dan/atau denda paling banyak Rp. 500.000.000,00
(lima ratus juta rupiah).

ii
 SPATIAL
DATA PANEL
Rezzy Eko Caraka

iii
 SPATIAL DATA PANEL
© Rezzy Eko Caraka

Editor : Team WADE Publish

Layout : Team WADE Publish
Design Cover : Rachmad Adi Riyanto, M.Sc.

Diterbitkan oleh:

Jln. Pos Barat Km.1 Melikan Ngimput Purwosari

Babadan Ponorogo Jawa Timur Indonesia 63491
Website : BuatBuku.com
Email : redaksi@buatbuku.com
Phone : 0821 3954 7339

Anggota IKAPI 182/JTI/2017

Cetakan Pertama, Desember 2017

ISBN: 978-602-5498-14-5

Hak Cipta dilindungi undang-undang.

Dilarang memperbanyak atau memindahkan sebagian atau seluruh isi buku ini dalam
bentuk apapun, baik secara elektronis maupun mekanis, termasuk memfotocopy, merekam
atau dengan sistem penyimpanan lainnya, tanpa seizin tertulis dari Penerbit.

Perpustakaan Nasional: Katalog Dalam Terbitan (KDT)

xvi+122 hlm.; 15x23 cm

iv
 KATA SAMBUTAN
(Preface)

Dr. Sakhinah Abu Bakar

School of Mathematical Sciences
The National Unviversity of Malaysia

Assalam mu’alaykum Wr.wb

Tahniah dan Syabas
It is a significant achievement by
my student Rezzy Eko Caraka for having
published Book entitled 'Spatial Data
Panel'. This book is a fresh breeze and
breakthrough new application of statistics
with the geographical approach. This
book provides a comprehensive know-
ledge of the implementation and inter-
pretation of the method with a complete guide using R
Software and MATLAB Graphical User Interface (GUI).
Unconsciously, humans have entered the 4th industrial
revolution where all aspects of community life coexist with
technology. Industrial Revolution 4.0 is an industry that is
more concerned with robot automation and analysis of
extensive data in the implementation of the task, and even
many countries are adopting. In the field of mathematics and
statistics, this massive development with one of the presences
of high-performance computing to solve many problems that
are non-linear and simplify the optimization to get robust
results. This book helps readers gain insight from the help of R
software and also the MATLAB GUI which has been created by
the author.
Strategic planning is not separated by statistics which is a
science or methodology that has a philosophy of thinking

v
 related to the analysis, interpretation, and presentation of data
as a decision-making material. As an example of industry and
business activities, the application of statistical thinking beco-
mes very important for Decision Makers to be able to evaluate
the current system, and can advise or recommend to mana-
gement to make changes or improvements to the system in a
sustainable manner.
During the master's program by research in statistics, the
School of Mathematical Sciences of the National University of
Malaysia, Rezzy has demonstrated and proved the seriousness
to be involved in the development of science in particular
statistics and data mining fields. Start by running research and
writing indexed journal.
In August 2017 Rezzy followed the "Big Data Analytics
And IoT In Healthcare: The Future Of Medicine 2017" idea
challenge was held at the UKM Medical Center (PPUKM). The
ideas channeled will be used to improve medical services
through data gathering further. In November 2017 Rezzy also
represented the international student of The National
University of Malaysia to attend the convention of JALUMA4.0
held by Ministry of Higher Education Malaysia.
Hopefully, this book can be used as an alternative biblio-
graphy and useful by all circles who have interest in spatial
statistics.
Wassalam mu’alaykum Wr.wb

Dr. Sakhinah Abu Bakar

sakhinah@ukm.edu.my
Senior Lecturer
School of Mathematical Sciences
Faculty of Science and Technology
The National University of Malaysia

vi
 KATA SAMBUTAN
(PREFACE)

Assalam mu’alaykum wr.wb

First of all, allow us to congratulate our students of the

School of Mathematical Sciences, Faculty of Science and
Technology of the National University of Malaysia for publish-
ing a book entitled 'Spatial Data Panel.'
This book is an introduction to the essentials of analysis
for spatial statistics. It is part of the range of statistical metho-
dologies for analyzing interlocation and inter-time problems.
In the spatial regression of panel data, data with interterritorial
linkages consisting of several periods can be modeled using the
spatial regression to capture phenomenon and characteristics
that are inextricable from the traditional regression approaches
such as global-based and local-based regression.
Formulation of spatial data model panel can be solved
with the help of application which will generate parameter
values and testing required in its analysis A practicing statis-
tician needs to be aware and familiar with the broad range of
ideas and techniques. In this book, the knowledge that is
building Graphical User Interface (GUI) Matlab and using R, so
it will make it easier for the layman to understand the spatial
data panel. The application that uses GUIs is easier to use
because users only need to use existing components such as
pressing the supplied buttons according to the desired ana-
lysis.
The field of statistics covers used in all aspects such as
finance, environment, and also medical. The development of
such a massive technology and the availability of data is very
much making progress and improvement of methods based on

vii
 data mining. The motivation is to minimize time, money and
energy in the analysis.
As a Statistician is not enough if only understand the
methods and theory. Conducting the estimation of the para-
meter and mathematics formula also create a syntax. More than
that is statistically able to explain the essence of the problem to
analyze. At the same time, this book will guide to understand
the application of demography data and can pull the
information easily and efficiently. In Chapter 1 the author gives
the introduction about spatial data panel also how to modeling
by using Least Square Dummy Variable (LSDV). In chapter 2
focused on spatial weighted and demonstrate the estimation
parameter by using Spatial error fixed effect and simulation by
using R. In chapter 3 show about primary of Graphical User
Interface (GUI) Matlab and Chapter 4 illustrate about step
analyzing by using Spatial Data Panel with GUI

Hopefully, this work can be useful for many people to

understand the essence of statistics.

Wassalam mu’alaykum Wr.wb

Dr.Marina Zahari (zmarina@ukm.edu.my )

School of Mathematical Sciences FST The National University of Malaysia
Research Interest:Nonparametric statistical techniques Computational
Statistics, Medical Statistics

Puan Zalina Mohd.Ali ( zalina99@ukm.edu.my)

School of Mathematical Sciences FST The National University of Malaysia
Research Interest: Multivariate Analysis, Bayesian Modeling Analysis, Spatial
Statistics

viii
 KATA PENGANTAR
Puji syukur kepada Allah SWT kami panjatkan, berkat
rahmat dan karunia-Nya penulis dapat menyelesaikan buku ini.
Tak lupa semoga shalawat serta salam senantiasa tercurah
kepada junjungan kita Nabi Muhammad Saw, kepada keluarga-
nya, sahabatnya, para tabi'in, tabiut tabiahum, kepada kita
semua, serta kepada seluruh umatnya hingga akhir zaman yang
menjadikan sebagai uswatun hasanah, suri tauladan yang baik.
Buku ini merupakan lanjutan dari buku sebelumnya yang
telah dicetak oleh Graha Ilmu Yogyakarta – MOBIUS dengan
berjudul Geographically Weighted Regression (GWR): Sebuah kajian
regresi geografis. ISBN:978-602-19479-7-5.
Secara spesifik buku ini akan mengulas statistika Spatial
namun menggunakan data panel. Seperti yang diketahui bahwa
Analisis data panel merupakan analisis gabungan antara data
cross section dan data time series. Data panel diperoleh ketika
sejumlah objek diamati dari waktu ke waktu. Pembaca bisa
membaca secara rinci pada bab yang telah penulis sediakan
agar mudah membaca.
Pada dasarnya seorang statistisi tidak cukup hanya mampu
melakukan estimasi rumus, membangun syntax dan kaya
pemahaman dengan metode yang paling simple hingga terumit.
Seorang statistisi harus mampu menjelaskan insight dari data dan
memberikan pemahaman secara jelas makna dari output yang
dihasilkan. Statistika merupakan ilmu yang digunakan oleh
semua bidang. Oleh karena itu diperlukan juga pehaman untuk
memilih metode statistika yang paling sesuai. Seperti ibarat
memilih baju perlu disesuaikan yang paling nyaman digunakan
dan tidak berlebihan.
Atas terselesainya buku ini berikanlah kesempatan kepada
Penulis untuk mengucapkan terima kasih yang tulus kepada
mereka yang selalu memberikan support dan juga do’a:

ix
 1. Ibunda Fauziani dan Ayahanda Rozali yang memberikan
cinta dan kasih sayang juga adik bungsu Roffi Dwi Putra
walaupun selalu bertengkar layaknya saudara juga
memeluk dengan hangat. Semangat menamatkan program
sarjana.
2. Prof. Dr. Ocky Karna Radjasa,M.Sc sumber insiprasi yang
memberikan kesempatan dan mengenalkan kepada
penulis terhadap dunia akademis dan peneliti
3. Dr.Shakinah Abu Bakar, Prof. Kamarulzaman Ibrahim,
Dr.Marina Binti Zahari, Dr.Hamizun Bin Ismail. School of
mathematical sciences The National University of Malaysia
(UKM) yang telah memberikan dukungan moril dan
materil
4. Prof.Budi Santosa,Ph.D guru besar Teknik Industri Institut
Teknologi Sepuluh Nopember (ITS) yang memberikan
banyak dukungan dan motivasi untuk menulis buku.
5. Segenap Staff pengajar, Mahasiswa/i, Keluarga De-
partemen Statistika FMIPA Universitas Padjadjaran
terutama kepada Dr.Toni Toharudin, M.Sc, Ibu Anindya
Apriliyanti, Bapak Gumgum Darmawan dan tim riset time
series.
6. Achmad Choiruddin, PhD. (Postdoc) Aalborg University,
Yudo Anggoro, PhD. Deputy Director- ‎School of Business
and Management ITB, Putu Mahardika A S,Ph.D
Brawijaya University,Lena Hanifah,PhD Lambung
Mangkurat university, Wawan Sugiyarto,PhD Minsitry of
Finance, Jamilatuzzahro, Riki Herliansyah
7. Segenap staff pengajar, Mahasiswa/i, Keluarga De-
partemen Statistika Universitas Diponegoro. Terkhusus
kepada Dr. Tarno, Irawati Tamara dan Siti Maulina M
8. Bioinformatics and Data Science Research Center Bina
Nusantara University. Dr.Bens Pardamean, Dr.Haryono

x
 Soeparno, Arif Budiarto,Hery H. Mulyo, Anzaludin
Samsinga P, Shinta Purnamasari, Tjeng Wawan C
9. Kepada sahabat yang selalu ada di hati yang selalu
memotivasi. Mengubah yang susah menjadi mudah, saling
menguatkan pada kebaikan menghapus sedih menjadi
tawa. Kadi Mey Ismail, Rachmad A R, Aan Andri Yano,
Isma Dwi Kurniawan, Mella Camelia,Dian Setyawati,
Albert Ryanta, M.Deqisyah Putra, Muhammad Tahmid,
Hakara Warid, Greget Kalla Buana, Ronny Gusnadi,
Muhammad Ali Husein, M.Isa D, Rahmat S A M, Grady
N, Zulkifli M, M Faisal A, M Syafii, Novieta Sinaga, Rizka
Tamimi, Avia Enggar T, Firda S D, Desriwendi, Lina I,
Gustriza E
10. PPI Malaysia (PPI-M),PPI Universitas Kebangsaan
Malaysia (PPI-UKM), Niki Alma FF, Fijar Akbar,Doni R,
Phoenna A T, Haekal Amrullah,Yusra Husainy, Hielda,
Siti Fitriyani, Supari, Richardo, Mukhlis NB, Ikumi, Rahito,
Revianty, Uswatun Hasanah.
11. Data Science Indonesia (DSI) Divisi Research Development
and Knowledge Management (RDKM) dan Data Science
Weekend (DSW)
Oleh karena itu penulis terus membuka diri untuk
menerima saran dan kritikan untuk perbaikan buku ini. Semua
korespondensi dapat dilakukan dengan email rezzyekocaraka
@gmail.com / rezzyekocaraka@rocketmail.com. Untuk efisiensi
pembaca, Semua script syntax program R dan juga MATLAB
GUI, data yang digunakan dapat diunduh pada website
www.rezzyekocaraka.com dengan kata kunci (password)
“kontribusiuntuknegeri“.

xi
 Kuala Lumpur, 27 December 2017

Rezzy Eko Caraka

www.rezzyekocaraka.com

xii
 DAFTAR ISI
KATA SAMBUTAN (Preface) ..................................................... v
KATA PENGANTAR .................................................................. ix
DAFTAR ISI ................................................................................xiii

BAB 1 PENGANTAR SPASIAL DATA PANEL.......................1

1. Pemodelan Regresi Data Panel ......................................2
2. Estimasi Regresi Data Panel ...........................................3
2.1 Model Common Effect dengan Pendekatan
OLS .............................................................................3
2.2 Model Fixed Effect dengan Pendekatan
LSDV ..........................................................................6
2.3 Model Random Effect dengan Pendekatan
GLS .............................................................................8
2.4 Pemilihan Model Estimasi Regresi Data
Panel .........................................................................10
2.5 Chow Test (Uji Chow) .............................................10
2.6 Hausman Test (Uji Hausman) ................................11
2.7 Lagrange Multiplier Test (Uji LM) ..........................12
2.8 Jarque-Bera Test (Uji JB) ..........................................13

BAB 2 MODEL SPASIAL DATA PANEL ..................................15

1. Matriks Pembobot Spasial ............................................15
2. Model Regresi Spasial ...................................................16
3. Model Spasial Data Panel .............................................18
3.1 Estimasi Model Spasial Lag Fixed Effect ..............20
3.2 Estimasi Model Spasial Error Fixed Effect............23
4. Uji Lagrange Multiplier ...................................................26
5. Uji Likelihood Ratio ..........................................................27
6. Goodness of Fit ..................................................................28
7. Uji Wald ...........................................................................28
8. Uji Asumsi .......................................................................30

xiii
 9. Uji Lagrange Multiplier .................................................. 37
10. Model Regresi Spasial Data Panel Fixed Effect .......... 38
10.1 Model Spasial Lag Fixed Effect ............................. 38
10.2 Model Spasial Error Fixed Effect........................... 39
10.3 Uji Likelihood Ratio .............................................. 40
10.4 Goodness of Fit ......................................................... 41
10.5 Uji Wald Model Spasial Lag Fixed Effect............. 42
10.6 Uji Asumsi Model Spasial Lag Fixed Effect......... 42
10.7 Interpretasi Model Spasial Lag Fixed Effect ........ 45

BAB 3 GRAPHICAL USER INTERFACE (GUI) .................... 52

BAB 4 SPATIAL DATA PANEL DENGAN GUI ..................... 59

1. Diagram Alir Analisis Data ......................................... 61
2. Rancangan Penyusunan Menu dengan
Graphical User Interface (GUI) ....................................... 62
3. Proses Pembuatan GUI Spasial Data Panel Fixed
Effect ................................................................................ 64
4. Menggunakan GUI Spasial Data Panel Fixed
Effect ................................................................................ 69
5. Model Regresi Berganda .............................................. 78
6. Uji Lagrange Multiplier .................................................. 79
7. Model Regresi Spasial Data Panel Fixed Effect .......... 80
7.1 Model Spasial Lag Fixed Effect ............................. 80
7.2 Model Spasial Error Fixed Effect........................... 82
8. Uji Likelihood Ratio ......................................................... 82
9. Goodness of Fit ................................................................. 83
10. Uji Wald Model Spasial Lag Fixed Effect .................... 84
11. Uji Asumsi Model Spasial Lag Fixed Effect ................ 84
11.1 Asumsi Normalitas ............................................... 85
11.2 Asumsi Homoskedastisitas .................................. 85
11.3 Asumsi Independensi ........................................... 86
11.4 Asumsi Multikolinieritas ...................................... 87

xiv
 12. Interpretasi Model Spasial Lag Fixed Effect ................87

DAFTAR PUSTAKA ....................................................................96

LAMPIRAN .................................................................................103
Tentang Penulis ..........................................................................118

xv
xvi
 BAB 1

PENGANTAR
SPASIAL DATA PANEL

D
ata panel adalah gabungan antara data runtun waktu
(time series) dan data silang (cross section). Data runtut
waktu biasanya meliputi satu objek/individu (misal-
nya harga saham, kurs mata uang, SBI, atau tingkat inflasi),
tetapi meliputi beberapa periode (biasanya harian, bulanan,
kuartalan, atau tahunan). Data silang terdiri dari atas beberapa
atau banyak objek, sering disebut responden (misalnya per-
usahaan) dengan beberapa jenis data (misalnya; laba, biaya
iklan, laba ditahan, dan tingkat investasi) dalam suatu periode
waktu tertentu. Ketika akan melakukan suatu observasi peri-
laku unit ekonomi seperti rumah tangga, perusahaan atau
negara, tidak hanya akan melakukan observasi terhadap unit-
unit tersebut di dalam waktu yang bersamaan tetapi juga peri-
laku unit-unit tersebut pada berabagai periode waktu.
Regresi dengan menggunakan data panel disebut model
regresi data panel. Ada beberapa keuntungan yang diperoleh
dengan menggunakan data panel. Pertama, data panel meru-
pakan gabungan data time series dan cross section mampu me-
nyediakan data yang lebih banyak sehingga akan menghasil-
kan degree of freedom yang lebih besar. Kedua, menggabungkan
informasi dari data time series dan cross section dapat mengatasi
masalah yang timbul ketika ada masalah penghilangan varia-
bel (ommited-variable). Kerangka umum data panel dapat dilihat
pada Tabel 1

1
 Tabel 1 Kerangka umum data panel
i t Yit Xit
1 1 Y11 X11
. . . .
. . . .
. . . .
1 T Y1T X1T
. . . .
. . . .
. . . .
N 1 YN1 XN1
. . . .
. . . .
. . . .
N T YNT XNT

1. Pemodelan Regresi Data Panel

Model regresi linier menggunakan data cross section dan
time series.
 Model dengan data cross section

Yi = α + β Xi + εi ; i = 1,2,....,N (1.1)

dengan :
Yi = peubah tak bebas unit individu ke-i
Xi = peubah bebas unit individu ke-i
N = banyaknya data cross section

 Model dengan data time series

Yt = α + β Xt + εt ; t = 1,2,....,T (1.2)

2
 dengan :
Yt = peubah tak bebas unit waktu ke-t
Xt = variabel bebas unit waktu ke-t
T = banyaknya data time series

Mengingat data panel merupakan gabungan dari data

cross section dan data time series, maka modelnya dituliskan
dengan:

; i = 1,2,....,N; t = 1,2,….., T (1.3)

dengan:
i = 1, 2, …, N, menunjukkan rumah tangga, individu,
perusahaan dan lainnya (dimensi data silang)
t = 1, 2, …, T, menunjukkan dimensi deret waktu
α = koefisien intersep yang merupakan skalar
β = koefisien slope dengan dimensi K x 1, dimana K
adalah banyaknya peubah bebas
Yit = peubah tak bebas unit individu ke-i dan unit waktu
ke-t
xit = peubah bebas untuk unit individu ke-i dan unit
waktu ke-t

2. Estimasi Regresi Data Panel

2.1 Model Common Effect dengan Pendekatan OLS
Teknik ini tidak ubahnya dengan membuat regresi
dengan data cross section atau time series. Akan tetapi, untuk
data panel, sebelum membuat regresi data harus digabungkan
terlebih dahulu yaitu data cross-section dengan data time series.
Kemudian data gabungan ini diperlakukan sebagai suatu
kesatuan pengamatan untuk mengestimasi model dengan
metode Ordinary Least Square (OLS). Metode ini dikenal dengan
estimasi Common Effect. Akan tetapi, dengan menggabungkan

3
 data tersebut, maka tidak dapat dilihat perbedaannya baik
antar individu maupun antar waktu. Atau dengan kata lain,
dalam pendekatan ini tidak memperhatikan dimensi individu
maupun waktu. Diasumsikan bahwa perilaku data antar peru-
sahaaan sama dalam berbagai kurun waktu. Bila diasumsikan
bahwa α dan β akan sama (konstan) untuk setiap data time
series dan cross section, maka α dan β dapat diestimasi dengan
model berikut menggunakan NxT pengamatan.

; i = 1,2,....,N; t = 1,2,….., T (1.4)

Dalam mengestimasi model (1.4) maka jika ditulis dalam

bentuk vektor, diperoleh:

(1.5)

dengan:

, untuk i ≠ l; i, l = 1,2, ... , N dan IT matriks

identitas berukuran TxT.

Estimator OLS untuk α dan β ditentukan dengan me-

minimalkan:

(1.6)

4
Selanjutnya ditentukan derivatif parsial S terhadap α dan β
kemudian disamadengankan 0, diperoleh:

(1.7)

Selanjutnya dari persamaan di atas, dapat diperoleh per-

samaan normalnya yaitu:

(1.8)

Dengan menjumlahkan persamaan

untuk seluruh pengamatan N memberikan
persamaan pertama dalam (2.8), kemudian mengalikannya
dengan x1 pada kedua sisinya dan menjumlahkan untuk
seluruh N, maka dihasilkan persamaan kedua. Begitu juga per-
samaan ketiga dalam (1.8) mengalikan kedua sisinya dengan x2
dan menjumlahkan untuk seluruh N, dan seterusnya.
Apabila persamaan di atas diubah ke dalam bentuk
matriks akan menjadi:

kemudian ruas kiri dan kanan dikalikan dengan .

Sehingga didapatkan estimator adalah

(1.9)

5
 2.2 Model Fixed Effect dengan Pendekatan LSDV
Pendekatan metode kuadrat terkecil biasa adalah
pendekatan dengan mengasumsikan bahwa intercep dan
koefisien regressor dianggap konstan untuk seluruh unit
wilayah/daerah maupun unit waktu. Salah satu cara untuk
memperhatikan unit cross section atau unit time series adalah
dengan memasukkan variabel dummy untuk memberikan
perbedaan nilai parameter yang berbeda-beda, baik lintas unit
cross section maupun unit time series. Oleh karena itu pen-
dekatan dengan memasukkan variabel dummy ini dikenal juga
dengan Least Square Dummy Variable (LSDV) atau juga disebut
covariance model. Pendekatan yang sering paling dilakukan
adalah dengan mengizinkan intersep bervariasi antar unit cross
section namun tetap mengasumsikan bahwa slope koefisien
adalah konstan antar unit cross section. Pendekatan ini dalam
literatur dikenal dengan sebutan model fixed effect (FEM).
Model yang dibentuk dari teknik estimasi ini adalah:

; i = 1,2,....,N; t = 1,2,….., T (1.10)

Dalam mengestimasi model (1.10) maka jika ditulis dalam

bentuk vektor, diperoleh :

(1.11)
dengan:

6
 , untuk i ≠ l; i, l = 1,2, ... , N dan IT matriks
identitas berukuran TxT.

Estimator OLS untuk αi dan β ditentukan dengan memi-

nimalkan:

(1.12)

Selanjutnya ditentukan derivatif parsial S terhadap αi

kemudian disamadengankan 0, diperoleh:

(1.13)
dengan:

Substitusi (1.12) dan (1.13) dan tentukan derivatif parsial S

terhadap β maka diperoleh estimator LSDV berikut:
(1.14)

Prosedur OLS di atas ekuivalen dengan perhitungan kembali

persamaan berikut :

(1.15)

Oleh matriks idempotent berukuran TxT, berikut:

7
 Untuk menghilangkan pengaruh individu αi sehingga obser-
vasi individu dihitung sebagai selisih dari mean individu
terhadap waktu:

(1.16)

Selanjutnya dengan melakukan prosedure OLS terhadap

persamaan (1.16), maka diperoleh estimator LSDV sebagai
berikut:

(1.17)

Estimator LSDV (1.17) ekuivalen dengan estimator LSDV

(1.14). Estimator ini sering disebut juga estimator covariance
atau estimator within dengan matriks varians kovariansnya
adalah:

2.3 Model Random Effect dengan Pendekatan GLS

Dalam mengestimasi data panel dengan model fixed effect
melalui teknik variabel dummy menunjukkan ketidakpastian
model yang digunakan. Untuk mengestimasi masalah ini
dapat digunakan variabel residual yang dikenal dengan
model random effect (REM). Pada model REM diasumsikan αi
merupakan variabel random dengan mean α0. sehingga intersep
dapat dinyatakan sebagai αi = α0 + εi dengan εi merupakan error
random yang mempunyai mean 0 dan varians σε2, εi tidak secara
langsung diobservasi atau disebut juga variabel laten. Jadi
persamaan model random effect adalah sebagai berikut

; i = 1,2,....,N; t = 1,2,….., T (1.18)

8
 Dengan wit = εi+uit. Suku error gabungan wit memuat dua
komponen error yaitu εi komponen error cross section dan uit
yang merupakan kombinasi komponen error cross section dan
time series. Karena inilah model random effect sering disebut
juga Error Components Model (ECM). Ada beberapa hal terkait
output estimasi random effect. Pertama, penjumlahan dari nilai
random effect adalah nol, karena komponen eror (wit) meru-
pakan kombinasi time series error dan cross section error. Kedua,
nilai R2 diperoleh dari transformasi regresi Generalized Least-
Square (GLS) maka model random effect ini dapat diestimasi
dengan metode GLS. beberapa asumsi yang berlaku pada REM
adalah

(1.19)

Perlu diperhatikan juga bahwa ada variabel tersembunyi

(latent/unobservable) dalam model efek acak ini, yaitu εi yang
tidak dapat langsung diamati sehingga nilainya dihitung
berdasarkan nilai wit dan berdasarkan persamaan (1.18), maka:

(1.20)

Sehingga,

9
 Selanjutnya menggunakan prosedur GLS akan diperoleh
estimator sebagai berikut:

(1.21)

Dalam hal ini, jika σε2 = 0, parameter persamaan (1.18) dan

(1.19) dapat diestimasi dengan Common Effect Model. Seperti
yang tertera pada persamaan (1.20), error wit mengalami
homoskedastisitas, namun tidak menutup kemungkinan bah-
wa diantara nilai error tersebut terjadi autokorelasi sehingga
koefisien korelasinya dapat ditulis seperti berikut:

(1.22)

2.4 Pemilihan Model Estimasi Regresi Data Panel

Pemilihan model secara statistik dilakukan agar dugaan
yang diperoleh dapat seefisien mungkin. Ada dua pengujian
dalam menentukan model yang akan digunakan dalam
pengolahan data panel yaitu uji chow (Chow Test) dan uji
hausman (Hausman Test).

2.5 Chow Test (Uji Chow)

Chow test digunakan untuk memilih kedua model
diantara Model Common Effect dan Model Fixed Effect. Asumsi
bahwa setiap unit cross section memiliki perilaku yang sama
cenderung tidak realistis mengingat dimungkinkannya setiap
unit cross section memiliki perilaku yang berbeda menjadi dasar
dari uji chow. Dalam pengujian ini dilakukan hipotesa sebagai
berikut :

10
 H0 : α1 = α2 = ... = αN = α (Model Common Effect)
H1 : sekurang-kurangnya ada satu intersep αi yang
berbeda (Model Fixed Effect)
Dasar penolakan terhadap H0 adalah dengan
menggunakan F-statistik seperti berikut :

(1.23)

dengan:
RSS1 = residual sum of square hasil pendugaan model
common effect
RSS2 = residual sum of square hasil pendugaan model fixed
effect
N = jumlah data cross section
T = jumlah data time series
K = jumlah variabel bebas

Statistik Chow Test mengikuti sebaran F-statistik yaitu F

(N-1,NT-N-K);α. Jika nilai Chow statistik lebih besar dari F-tabel,

maka cukup bukti untuk menolak H0 dan sebaliknya.

2.6 Hausman Test (Uji Hausman)

Uji hausman digunakan untuk membandingkan model
Fixed Effect dengan Random effect. Alasan dilakukannya uji
hausman didasarkan pada model fixed effect model yang
mengandung suatu unsur trade off yaitu hilangnya unsur
derajat bebas dengan memasukkan variabel dummy dan model
Random Effect yang harus memperhatikan ketiadaan pelang-
garan asumsi dari setiap komponen galat. Dalam pengujian ini
dilakukan hipotesis sebagai berikut:
H0 : corr(Xit,Uit) = 0 (Model Random Effect)
H1 : corr(Xit,Uit) ≠ 0 (Model Fixed Effect)

11
 Dasar penolakan H0 dengan menggunakan Statistik
Hausman dirumuskan sebagai berikut :

(1.24)

dengan:
b = koefisien random effect
β = koefisien fixed effect

Statistik hausman menyebar Chi-Square, jika nilai 2 hasil

pengujian lebih besar dari 2(K, α) (K = jumlah variabel bebas)
atau P-Value < α, maka cukup bukti untuk melakukan peno-
lakan terhadap H0 begitu pula sebaliknya.

2.7 Lagrange Multiplier Test (Uji LM)

Pengujian ini dilakukan untuk mengetahui apakah
terdapat unsur heteroskedastisitas pada model yang dipilih.
Hipotesis uji LM adalah sebagai berikut:
H0 : σi2 = σ2 (tidak terjadi heteroskedastisitas)
H1 : σi2 ≠ σ2 (terjadi heteroskedastisitas)

Statistik uji LM adalah sebagai berikut :

σ
(2.25)
σ

dengan:
T = jumlah unit time series
N = jumlah unit cross section
σi2 = variansi residual persamaan ke-i
σ2 = variansi residual persamaan sistem

12
 Kesimpulan H0 ditolak jika LM > 2(1;α) yang berarti
bahwa pada model terjadi heteroskedastisitas sehingga harus
diestimasi dengan metode weight : Cross section weight.

2.8 Jarque-Bera Test (Uji JB)

Uji normalitas dimaksudkan untuk menguji apakah nilai
residual yang telah terstandarisasi pada model regresi ber-
distribusi normal atau tidak. Nilai residual dikatakan ber-
distribusi normal jika nilai residual terstandarisasi tersebut
sebagian besar mendekati nilai rata-ratanya (Suliyanto, 2011).
Salah satu cara mengecek normalitas adalah dengan plot
probabilitas normal. Melalui plot ini masing-masing nilai
pengamatan dipasang dengan nilai harapan dari distribusi
normal, dan apabila titik-titik data terkumpul di sekitar garis
lurus. Selain plot normal ada plot lagi untuk menguji
normalitas yaitu detrend normal plot. Jika sampel berasal dari
populasi normal, maka titik-titik tersebut seharunya terkum-
pul digaris lurus yang melalui 0 dan tidak mempunyai pola
(Widarjono,2010). Hipotesis Uji JB adalah sebagai berikut:
H0 : residual data berdistribusi normal
H1 : residual data tidak berdistribusi normal

Statistik uji JB adalah sebagai berikut:

(1.26)

dengan:
N = jumlah unit cross section
K = jumlah variabel bebas
k = nilai kurtosis residual
S = nilai skewness residual

13
 Kesimpulan H0 ditolak jika JB > 2
(2;α) yang berarti residual data
berdistribusi normal.

14
 DAFTAR PUSTAKA
[BPS] Badan Pusat Statistik. 2009. Analisis Kemiskinan, Ketena-
gakerjaan, dan Distribusi Pendapatan. Jakarta : BPS.
_________. 2014. Indikator Kesejahteraan Rakyat Jawa Tengah
2014. Jawa Tengah : BPS.
_________. 2014. Spatial Panel Data Models : Spatial Econometrivs
From Cross-Sectional Data to Spatial Panels , Ch.3. New
York : Springer.
Anselin, L. 1988. Spatial Econometrics: Methods and Models.
Dordrecht: Kluwer Academic Publishers.
Anselin, L. 2009. Spatial Regression. Fotheringham AS, PA
Rogerson, editor, Handbook of Spatial Analysis. Londo :
Sage Publications.
Away, G.A. 2014. The Shortcut of Matlab Programming. Bandung
: Informatika Bandung
Badan Pusat Statistik (BPS). 2010. Indeks Pembangunan Manusia.
Jakarta: Badan Pusat Statistik.
Badan Pusat Statistik (BPS). 2011. Jawa Tengah Dalam Angka
2010. Semarang: Badan Pusat Statistik Jawa Tengah.
Badan Pusat Statistik (BPS). 2012. Jawa Tengah Dalam Angka
2011. Semarang: Badan Pusat Statistik Jawa Tengah.
Badan Pusat Statistik (BPS). 2013. Jawa Tengah Dalam Angka
2012. Semarang: Badan Pusat Statistik Jawa Tengah.
Badan Pusat Statistik (BPS). 2014. Jawa Tengah Dalam Angka
2013. Semarang: Badan Pusat Statistik Jawa Tengah.
Badan Pusat Statistik (BPS). 2015. Jawa Tengah Dalam Angka
2014. Semarang: Badan Pusat Statistik Jawa Tengah.

96
Badan Pusat Statistik (BPS). 2016. Berita Resmi Statistik.
Semarang: Badan Pusat Statistik Jawa Tengah.
Badan Pusat Statistik (BPS). 2016. Jawa Tengah Dalam Angka
2015. Semarang: Badan Pusat Statistik Jawa Tengah.
Baltagi, B. H. 2005. Econometrics Analysis of Panel Data (3 ed.).
Chicester, England: John Wiley & Sons Ltd.
Bruna, F., dan Yu, D. 2013. Geographically Weighted Panel
Regression. XI Congreso Galego de Estatistica e Investigacion
de Operations, A Coruna 24-26 de outubro de 2013.
Cai, R, Yu, D., dan Oppenheimer, M. 2014. Estimating the
Spatially Varying Responses of Corn Yields to Weather
Variations using Geographically Weighted Panel Re-
gression. Journal of Agricultural and Resource Economics,
Vol. 39, 2, 230-252.
Caraka, R. E. & Yasin, H. 2017. Geographically Weighted
Regression (GWR) Sebuah Pendekatan Regresi Geografis,
hlm. 1st Edisi . MOBIUS GRAHA ILMU. Retrieved from
www.rezzyekocaraka.com/book
Caraka, R. E. 2016. Sebuah Kajian dan Studi Perhitungan Dana
Pensiun di Indonesia. Journal Badan Pendidikan dan Pelatih-
an Keuangan Kementerian Keuangan Republik Indonesia (BPPK).
Vol. 9, No. 2. pp. 160-180.
Caraka, R. E., Sugiyarto, W., Erda, G., and Sadewo. E. 2016.
Pengaruh Inflasi Terhadap Impor dan Ekspor di Provinsi
Riau dan Kepulauan Riau Menggunakan Generalized Spatio
Time Series. Journal Badan Pendidikan dan Pelatihan Ke-
uangan Kementerian Keuangan Republik Indonesia (BPPK).
Vol. 9, No. 2. pp. 180-198.

97
 Chalid, N., dan Yusuf, Y. 2014. Pengaruh Tingkat Kemiskinan,
Tingkat Pengangguran, Upah Minimum Kabupaten/
Kota dan Laju Pertumbuhan Ekonomi Terhadap Indeks
Pembangunan Manusia di Provinsi Riau. Jurnal Ekonomi,
Vol.22, 2.
Chasco, C., Garcia, I., dan Vicens, J. 2007. Modelling Spatial
Variation Household Disposible Income With
Geographically Weighted Regression. Munich Personal
Repec Archive (MPRA) , Working Paper, No. 1682.
Conover, W.L. 1980. Practical Nonparametric Statistics, Second
Edition. New York : John Wiley and Sons.
Cressie, N. A. C. 1993. Statistics for Spatial Data. Wiley Series
in Probability and Statistics. ISBN: 9781119115151.
Dewi, R.V., Astutik, S., dan Pramoedyo, H. 2015. Penentuan
Faktor-Faktor yang Mempengaruhi Angka Partisipasi
Sekolah Menggunakan Geographically Weighted Re-
gression dengan Metode Stepwise. Jurnal Mahasiswa
Statistik, Vol 3, 2.
Draper, N. R., dan Smith, H. 1992. Applied Regression
Analysis (2 ed.). New York: John Wiley and sons, Inc.
Elhorst, J.P. 2009. Spatial Panel Data Models : Handbook of Applied
Spatial Analysis, editor Fisher MM, A Getis, Ch. C.2. New
York : Springer.
Fotheringham, A. S., Brunsdon, C., dan Charlton, M. 2002.
Geographically Weighted Regression. England: John
Wiley & Sons Ltd.
Ghozali, I. 2009. EKONOMETRIKA. Semarang: Badan Penerbit
Universitas Diponegoro

98
Greene, W. H. 2003. Econometric Analysis (5 ed.). New Jersey:
Prentice Hall International.
Gujarati, D.N. 2004. Basic Econometrics 4th Edition. New York :
The McGraw-Hill Companies.
Haughton, J., Khandker, S.R. 2010. Pedoman Tentang Kemiskinan
dan Ketimpangan. Diterjemahkan oleh : Tim Penerjemah
World Bank. Jakarta : Salemba Empat. Terjemahan dari :
Handbook on Poverty and Inequality.
Jarque, C. M., dan Bera, A. K. 1987. A Test for normality of
observation and regression residuals. International
Statistical Review , Vol. 55, pp. 163-172.
Jaya, I. G., dan Sunengsih, N. 2009. Kajian Analisis Regresi
dengan Data Panel. Seminar Nasional Penelitian,
Pendidikan, dan Penerapan MIPA 2009. Fakultas MIPA,
Universitas Negeri Yogyakarta.
Jonaidi, A. 2012. Analisis Pertumbuhan Ekonomi dan Kemiskinan
di Indonesia. Jurnal Kajian Ekonomi Vol. 1, No. 1 : Hal.
140-164.
Kumalasari, M., dan Poeworno, D. 2011. Analisis Pertumbuhan
Ekonomi, Angka Melek Huruf, Rata Pengeluaran
Perkapita dan Jumlah Penduduk Terhadap Tingkat Ke-
miskinan di Jawa Tengah. http://eprints.undip. ac.id/
32133/1/Jurnal_Skripsi.pdf. Diakses 1 Desember 2016
Leasiwal, T.C. 2013. Determinan dan Karakteristik Kemiskinan di
Provinsi Maluku. Cita Ekonomi Vol. 7, No. 2.
LeSage, J.P. 1999. The Theory and Practice of Spatial Econometrics.
Ohio : Department of Economics. University of Toledo.
Leung, Y., Mei, C. L., dan Zhang, W. X. 2000. Statistical Test for
Spatial Non Stasionarity Based on the Geographically

99
 Weighted Regression Model. Departement of Geography
and The Centre for Environmental Studies The Chinese
University of Hong Kong, Shatin, Hong Kong.
Maipita, I. 2013. Simulasi Dampak Kenaikan Upah Minimum
Terhadap Tingkat Pendapatan dan Kemiskinan. Ekuitas Vol.
17, No. 3 : Hal. 391-410.
Melliana, A., dan Zain, I. 2013. Analisis Faktor yang
Mempengaruhi Indeks Pembangunan Manusia di Kabu-
paten/Kota Provinsi Jawa Timur dengan Menggunakan
Regresi Panel. Jurnal Sains dan Seni POMITS , Vol. 2, 2,
237-242.
Mustika, C. 2011. Pengaruh PDB dan Jumlah Penduduk Terhadap
Kemiskinan di Indonesia Perode 1990-2008. Jurnal Paradig-
ma Ekonomika Vol. 1, No. 4 : Hal. 12-23.
Orinbao, A. A. M. 2013. Faktor-Faktor yang Mempengaruhi
Indeks Pembangunan Manusia di Provinsi Papua Barat
Tahun 2006-2009. http://e-journal.uajy.ac.id/3959/.
Diakses 1 Desember 2016.
Pradita, R. N., Yasin, H., dan Safitri, D. 2015. Pemodelan
Faktor-Faktor yang Mempengaruhi Indeks Pembangun-
an Manusia Kabupaten/Kota di Jawa Timur Mengguna-
kan Geographically Weighted Ordinal Logistic Regres-
sion. Jurnal Gaussian, Vol.4, 3, 639-650.
Pratama, Y.C. 2014. Analisis Faktor-Faktor yang Mempengaruhi
Kemiskinan di Indonesia. Esensi Vol. 4, No. 2 : Hal. 210-223.
Putri, I.A.S.M., Yuliarini N.N. 2013. Beberapa Faktor yang
Memengaruhi Tingkat Kemiskinan di Provinsi Bali. E-Jurnal
EP Unud Vol. 2, No. 10 : Hal. 441-448.
Qur'ani, A. Y. 2014. Pemodelan Geographically Weighted
Regression Panel (GWR-Panel) Sebagai Pendekatan

100
 Model Geographically Weighted Regression (GWR)
Dengan Menggunakan Fixed Effect Model Time Trend.
Jurnal Mahasiswa Statistik, Vol.2, 3.
Ramdani, M. 2015. Determinan Kemiskinan di Indonesia Tahun
1982-2012. Economics Development Analysis Journal Vol.
4, No. 1 : Hal : 97-104.
Rawlings, J.O., Pantula, S.G., Dickey, A.D. 1998. Multiple Re-
gression In Matrix Notation : Applied Regression Analysis A
Research Tool, Second Edition, Ch.3. New York : Springer.
Riva, V.A., Kadir, H., Setiawan D. 2014. Pengaruh Tingkat
Pengangguran dan Upah Minimum Provinsi Terhadap Ting-
kat Kemiskinan di Provinsi Riau. JOM FEKON Vol. 1, No.2 :
Hal. 1-15.
Rizki, M., Rusgiyono, A., dan Mukid, M. A. 2015. Pemodelan
Indeks Pembangunan Manusia di Provinsi Jawa Tengah
Tahun 2008-2013 dengan Menggunakan Regresi Data
Panel. Jurnal Gaussian. Vol.4, 2, 345-354.
Setiawati, A.K., Setiawan. 2012. Pemodelan Persentase Penduduk
Miskin di Jawa Timur dengan Pendekatan Ekonometrika Panel
Spasial. Jurnal Sains dan Seni ITS Vol. 1, No.1 : Hal. 183-
187.
Suparjan dan Suyatno, H. 2002. Kebijakan Upah Minimum yang
Akomodatif. Jurnal Ilmu Sosial dan Politik Vol. 5, No. 3 :
Hal. 259-313.
Trianggara, N., Rahmawati, R., dan Yasin, H. 2016. Pemodelan
Indeks Pembangunan Manusia Menggunakan Spatial
Panel Fixed Effect (Studi Kasus: Indeks Pembangunan
Manusia Propinsi Jawa Tengah 2008 - 2013). Jurnal
Gaussian. Vol.5, 1, 173-182.

101
 United Nations Development Programme (UNDP). 1990.
Human Development Report 1990. New york: United
Nations Development Programme (UNDP).
Wheeler, D. C., dan Antonio, P. 2010. Handbook of Applied
Spatial Analysis : Software Tools, Methods and
Applications. Berlin: Springer.
Widiyanto, M.A. 2013. Statistika Terapan : Konsep & Aplikasi
SPSS dalam Penelitian Bidang Pendidikan, Psikologi & Ilmu
Sosial Lainnya. Jakarta : PT Elex Media Komputindo.
Yacoub, Y. 2012. Pengaruh Tingkat Pengangguran Terhadap
Tingkat Kemiskinan Kabupaten/Kota di Provinsi Kalimantan
Barat. EKSOS Vol. 8, No. 3 : Hal. 176-185.
Yu, D. 2010. Explorating Spatiotemporally Varying Regressed
Relationships:The Geographically Weighted Panel Re-
gression Analysis. The International Archives of the
Photogrammetry, Remote Sensing and Spatial Infor-
mation Science, Vol.38, Part II.

102
 LAMPIRAN
Lampiran 1. Data Indeks Pembangunan Manusia 35
Kabupaten/Kota di Jawa Tengah Tahun 2010-2015 dan
Variabel-Variabel yang Mempengaruhinya
Kabupaten /
Th. Y X1 X2 X3 X4 lat long
Kota
Kabupaten
2010 64,179 41,000 85,740 8,520,273 9,750 -7,729 108,792
Cilacap
Kabupaten
2010 66,865 50,000 87,740 8,969,670 7,370 -7,482 109,055
Banyumas
Kabupaten
2010 63,609 25,000 86,850 7,930,411 5,820 -7,390 108,883
Purbalingga
Kabupaten
2010 60,699 39,000 75,880 6,930,817 5,100 -7,379 109,624
Banjarnegara
Kabupaten
2010 63,077 43,000 91,560 7,367,877 8,020 -7,646 109,692
Kebumen
Kabupaten
2010 68,157 31,000 89,540 8,619,018 5,400 -7,739 109,965
Purworejo
Kabupaten
2010 62,504 24,000 66,030 9,032,282 5,040 -7,330 109,892
Wonosobo
Kabupaten
2010 63,281 32,000 77,210 7,232,949 6,970 -7,566 110,240
Magelang
Kabupaten
2010 68,758 38,000 89,840 10,840,215 5,900 -7,537 110,600
Boyolali
Kabupaten
2010 70,763 38,000 95,810 10,333,172 7,700 -7,700 110,625
Klaten
Kabupaten
2010 71,526 16,000 96,810 9,638,948 7,400 -7,684 110,397
Sukoharjo
Kabupaten
2010 63,900 40,000 86,920 7,556,763 4,700 -7,804 110,992
Wonogiri
Kabupaten
2010 70,312 26,000 90,170 9,712,065 6,620 -7,608 110,917
Karanganyar
Kabupaten
2010 67,672 31,000 92,970 10,163,872 8,890 -7,428 110,958
Sragen
Kabupaten
2010 64,557 37,000 79,990 8,674,418 5,600 -7,057 110,333
Grobogan
Kabupaten
2010 63,021 32,000 88,870 7,965,991 6,990 -6,932 111,408
Blora
Kabupaten
2010 64,527 18,000 84,260 8,388,918 7,890 -6,730 111,250
Rembang
Kabupaten
2010 65,134 35,000 90,460 8,541,023 11,220 -6,744 111,042
Pati
Kabupaten
2010 69,224 24,000 91,020 9,477,069 8,420 -6,806 111,717
Kudus
Kabupaten
2010 66,756 25,000 89,160 8,550,398 5,560 -6,550 110,786
Jepara
Kabupaten
2010 66,019 29,000 91,590 8,420,507 5,690 -6,875 110,640
Demak
Kabupaten
2010 69,579 29,000 94,830 9,929,963 6,250 -7,132 110,454
Semarang
Kabupaten
2010 63,077 28,000 87,650 8,438,104 3,600 -7,322 110,579
Temanggung

103
 Kabupaten
2010 66,227 32,000 90,150 9,357,734 6,570 -6,916 109,983
Kendal
Kabupaten
2010 61,644 22,000 81,390 7,273,518 6,480 -6,894 109,862
Batang
Kabupaten
2010 63,750 29,000 70,860 8,403,119 4,040 -7,066 109,640
Pekalongan
Kabupaten
2010 58,644 26,000 79,510 6,258,616 11,450 -6,929 109,483
Pemalang
Kabupaten
2010 61,142 33,000 80,190 7,429,034 7,480 -6,986 109,155
Tegal
Kabupaten
2010 59,491 43,000 73,490 8,392,576 8,210 -6,840 108,943
Brebes
Kota
2010 73,993 10,000 96,770 9,680,964 13,280 -7,463 110,211
Magelang
Kota
2010 77,455 27,000 91,670 12,123,324 8,730 -7,578 110,757
Surakarta

Kota Salatiga 2010 78,350 11,000 97,780 13,410,683 10,220 -7,341 110,501

Kota
2010 76,959 53,000 94,490 11,986,753 8,980 -6,976 110,390
Semarang
Kota
2010 68,948 17,000 74,130 10,223,669 7,000 -6,897 109,683
Pekalongan

Kota Tegal 2010 69,330 7,000 80,490 10,644,417 12,220 -6,862 109,120

Kabupaten
2011 64,730 43,000 91,910 8,800,849 8,820 -7,729 108,792
Cilacap
Kabupaten
2011 67,455 52,000 86,560 9,241,179 6,610 -7,482 109,055
Banyumas
Kabupaten
2011 64,329 25,000 84,760 8,228,054 5,100 -7,390 108,883
Purbalingga
Kabupaten
2011 61,582 39,000 71,760 7,361,951 4,970 -7,379 109,624
Banjarnegara
Kabupaten
2011 64,050 41,000 91,360 7,456,906 4,730 -7,646 109,692
Kebumen
Kabupaten
2011 69,107 31,000 92,010 8,921,184 5,300 -7,739 109,965
Purworejo
Kabupaten
2011 63,070 25,000 80,460 9,274,725 4,920 -7,330 109,892
Wonosobo
Kabupaten
2011 64,162 32,000 79,350 7,457,734 6,830 -7,566 110,240
Magelang
Kabupaten
2011 69,140 38,000 88,660 11,147,287 5,810 -7,537 110,600
Boyolali
Kabupaten
2011 71,159 38,000 94,080 10,592,919 7,630 -7,700 110,625
Klaten
Kabupaten
2011 72,342 16,000 94,110 9,922,394 6,270 -7,684 110,397
Sukoharjo
Kabupaten
2011 64,753 40,000 94,860 7,928,307 3,820 -7,804 110,992
Wonogiri
Kabupaten
2011 71,004 26,000 95,760 10,023,493 5,880 -7,608 110,917
Karanganyar
Kabupaten
2011 68,115 30,000 93,520 10,508,879 8,430 -7,428 110,958
Sragen
Kabupaten
2011 65,412 37,000 91,260 9,060,733 5,330 -7,057 110,333
Grobogan
Kabupaten
2011 63,875 31,000 90,130 8,245,735 6,900 -6,932 111,408
Blora

Kabupaten 2011 65,362 18,000 90,040 8,705,492 6,220 -6,730 111,250

104
Rembang

Kabupaten
2011 65,706 35,000 91,530 8,828,245 10,170 -6,744 111,042
Pati
Kabupaten
2011 69,888 24,000 90,040 9,747,366 8,320 -6,806 111,717
Kudus
Kabupaten
2011 67,630 25,000 91,550 8,821,423 5,480 -6,550 110,786
Jepara
Kabupaten
2011 66,840 29,000 91,930 8,727,587 5,030 -6,875 110,640
Demak
Kabupaten
2011 70,354 30,000 94,160 10,230,662 6,160 -7,132 110,454
Semarang
Kabupaten
2011 64,142 28,000 82,950 8,751,100 4,540 -7,322 110,579
Temanggung
Kabupaten
2011 66,959 32,000 85,440 9,701,351 6,540 -6,916 109,983
Kendal
Kabupaten
2011 62,588 23,000 82,880 7,609,690 6,660 -6,894 109,862
Batang
Kabupaten
2011 64,715 29,000 76,160 8,575,657 6,910 -7,066 109,640
Pekalongan
Kabupaten
2011 59,661 26,000 84,290 6,487,660 7,370 -6,929 109,483
Pemalang
Kabupaten
2011 61,974 34,000 85,860 7,713,163 10,590 -6,986 109,155
Tegal
Kabupaten
2011 60,507 44,000 80,210 8,491,611 11,080 -6,840 108,943
Brebes
Kota
2011 74,475 10,000 91,810 9,921,707 10,510 -7,463 110,211
Magelang
Kota
2011 78,003 27,000 96,050 12,464,256 7,700 -7,578 110,757
Surakarta

Kota Salatiga 2011 78,763 11,000 99,110 13,727,316 8,020 -7,341 110,501

Kota
2011 77,576 54,000 96,210 12,271,293 7,650 -6,976 110,390
Semarang
Kota
2011 69,544 17,000 84,350 10,559,725 7,060 -6,897 109,683
Pekalongan

Kota Tegal 2011 70,028 7,000 85,600 10,965,490 9,770 -6,862 109,120

Kabupaten
2012 65,720 43,000 92,820 8,969,118 7,290 -7,729 108,792
Cilacap
Kabupaten
2012 68,064 52,000 83,770 9,446,507 5,110 -7,482 109,055
Banyumas
Kabupaten
2012 64,940 25,000 85,420 8,449,593 5,020 -7,390 108,883
Purbalingga
Kabupaten
2012 62,292 38,000 82,010 7,570,147 4,690 -7,379 109,624
Banjarnegara
Kabupaten
2012 64,468 45,000 94,230 7,638,203 3,580 -7,646 109,692
Kebumen
Kabupaten
2012 69,401 31,000 91,800 9,022,491 5,200 -7,739 109,965
Purworejo
Kabupaten
2012 64,181 26,000 76,270 9,403,926 5,910 -7,330 109,892
Wonosobo
Kabupaten
2012 64,750 33,000 85,300 7,689,505 6,380 -7,566 110,240
Magelang
Kabupaten
2012 69,510 38,000 87,270 11,381,357 5,450 -7,537 110,600
Boyolali
Kabupaten
2012 71,713 38,000 97,470 10,858,299 5,700 -7,700 110,625
Klaten

105
 Kabupaten
2012 72,812 16,000 94,570 10,111,788 6,100 -7,684 110,397
Sukoharjo
Kabupaten
2012 65,747 40,000 92,490 8,132,516 3,460 -7,804 110,992
Wonogiri
Kabupaten
2012 72,264 27,000 94,820 10,190,831 5,820 -7,608 110,917
Karanganyar
Kabupaten
2012 68,911 32,000 94,350 10,698,312 5,880 -7,428 110,958
Sragen
Kabupaten
2012 66,389 37,000 92,930 9,208,268 4,200 -7,057 110,333
Grobogan
Kabupaten
2012 64,697 32,000 94,780 8,447,930 6,750 -6,932 111,408
Blora
Kabupaten
2012 66,026 18,000 87,760 8,881,772 5,750 -6,730 111,250
Rembang
Kabupaten
2012 66,130 36,000 90,930 8,997,039 11,980 -6,744 111,042
Pati
Kabupaten
2012 70,571 26,000 86,680 9,964,020 8,290 -6,806 111,717
Kudus
Kabupaten
2012 68,447 26,000 90,200 9,999,004 4,290 -6,550 110,786
Jepara
Kabupaten
2012 67,548 30,000 89,360 8,924,469 5,200 -6,875 110,640
Demak
Kabupaten
2012 70,884 30,000 89,120 10,458,810 4,870 -7,132 110,454
Semarang
Kabupaten
2012 64,908 28,000 86,760 8,951,817 3,390 -7,322 110,579
Temanggung
Kabupaten
2012 67,546 32,000 91,650 9,909,524 6,310 -6,916 109,983
Kendal
Kabupaten
2012 63,093 23,000 85,780 7,821,367 5,880 -6,894 109,862
Batang
Kabupaten
2012 65,325 29,000 83,590 8,751,739 5,080 -7,066 109,640
Pekalongan
Kabupaten
2012 60,776 27,000 83,190 6,725,086 4,850 -6,929 109,483
Pemalang
Kabupaten
2012 62,666 35,000 88,060 7,894,253 6,120 -6,986 109,155
Tegal
Kabupaten
2012 60,921 44,000 83,730 8,591,814 8,220 -6,840 108,943
Brebes
Kota
2012 75,000 10,000 96,860 10,169,037 8,990 -7,463 110,211
Magelang
Kota
2012 78,443 27,000 87,940 12,680,169 6,290 -7,578 110,757
Surakarta

Kota Salatiga 2012 79,101 11,000 96,170 13,966,441 6,840 -7,341 110,501

Kota
2012 78,040 53,000 95,150 12,488,367 6,010 -6,976 110,390
Semarang
Kota
2012 69,950 18,000 89,140 10,755,914 7,670 -6,897 109,683
Pekalongan

Kota Tegal 2012 70,679 11,000 86,870 11,250,693 8,750 -6,862 109,120

Kabupaten
2013 66,805 44,000 87,070 9,070,608 6,680 -7,729 108,792
Cilacap
Kabupaten
2013 68,551 53,000 91,320 9,560,775 5,050 -7,482 109,055
Banyumas
Kabupaten
2013 65,530 25,000 85,650 8,535,276 5,010 -7,390 108,883
Purbalingga

Kabupaten 2013 62,838 38,000 85,310 7,654,030 4,160 -7,379 109,624

106
Banjarnegara

Kabupaten
2013 64,864 45,000 94,750 7,729,609 3,520 -7,646 109,692
Kebumen
Kabupaten
2013 69,773 31,000 94,470 9,155,275 5,150 -7,739 109,965
Purworejo
Kabupaten
2013 64,567 26,000 83,420 9,458,317 5,820 -7,330 109,892
Wonosobo
Kabupaten
2013 65,859 33,000 89,060 7,856,025 6,130 -7,566 110,240
Magelang
Kabupaten
2013 69,812 40,000 93,720 11,490,125 5,440 -7,537 110,600
Boyolali
Kabupaten
2013 72,420 38,000 95,260 10,961,899 5,340 -7,700 110,625
Klaten
Kabupaten
2013 73,222 16,000 93,310 10,247,398 5,980 -7,684 110,397
Sukoharjo
Kabupaten
2013 66,398 41,000 90,930 8,234,951 3,310 -7,804 110,992
Wonogiri
Kabupaten
2013 73,331 27,000 93,180 10,285,646 3,840 -7,608 110,917
Karanganyar
Kabupaten
2013 69,951 32,000 94,810 10,856,622 5,630 -7,428 110,958
Sragen
Kabupaten
2013 67,430 37,000 93,250 9,284,184 4,100 -7,057 110,333
Grobogan
Kabupaten
2013 65,373 32,000 93,840 9,539,537 6,230 -6,932 111,408
Blora
Kabupaten
2013 66,838 18,000 95,800 8,994,143 5,670 -6,730 111,250
Rembang
Kabupaten
2013 66,468 37,000 93,330 9,087,984 7,290 -6,744 111,042
Pati
Kabupaten
2013 71,578 27,000 90,230 10,082,378 8,070 -6,806 111,717
Kudus
Kabupaten
2013 69,110 26,000 91,460 10,176,977 5,340 -6,550 110,786
Jepara
Kabupaten
2013 68,380 30,000 92,300 8,982,633 5,080 -6,875 110,640
Demak
Kabupaten
2013 71,289 30,000 95,080 10,561,760 3,900 -7,132 110,454
Semarang
Kabupaten
2013 65,523 28,000 89,260 9,041,583 3,370 -7,322 110,579
Temanggung
Kabupaten
2013 67,984 32,000 95,230 10,079,542 6,230 -6,916 109,983
Kendal
Kabupaten
2013 63,596 23,000 83,720 7,966,907 7,020 -6,894 109,862
Batang
Kabupaten
2013 66,262 29,000 86,390 8,883,796 4,780 -7,066 109,640
Pekalongan
Kabupaten
2013 61,810 28,000 87,570 6,863,490 6,480 -6,929 109,483
Pemalang
Kabupaten
2013 63,500 35,000 87,740 8,001,082 6,890 -6,986 109,155
Tegal
Kabupaten
2013 61,868 46,000 85,300 8,730,588 9,610 -6,840 108,943
Brebes
Kota
2013 75,294 10,000 98,920 10,257,801 6,750 -7,463 110,211
Magelang
Kota
2013 78,891 27,000 95,790 12,819,733 7,220 -7,578 110,757
Surakarta

107
 Kota Salatiga 2013 79,375 11,000 95,140 14,124,886 6,210 -7,341 110,501

Kota
2013 78,684 52,000 95,100 12,713,527 6,020 -6,976 110,390
Semarang
Kota
2013 70,821 18,000 88,170 10,922,287 5,280 -6,897 109,683
Pekalongan

Kota Tegal 2013 71,441 11,000 93,760 11,415,767 9,320 -6,862 109,120

Kabupaten
2014 67,249 48,000 91,410 9,091,043 5,651 -7,729 108,792
Cilacap
Kabupaten
2014 69,247 61,000 97,000 9,579,954 5,040 -7,482 109,055
Banyumas
Kabupaten
2014 66,230 29,000 94,270 8,538,623 5,007 -7,390 108,883
Purbalingga
Kabupaten
2014 63,153 38,000 87,360 7,683,726 4,056 -7,379 109,624
Banjarnegara
Kabupaten
2014 65,666 48,000 96,860 7,754,855 3,246 -7,646 109,692
Kebumen
Kabupaten
2014 70,122 35,000 97,130 9,189,398 5,096 -7,739 109,965
Purworejo
Kabupaten
2014 65,202 28,000 86,400 9,491,023 5,338 -7,330 109,892
Wonosobo
Kabupaten
2014 66,350 33,000 93,240 7,877,092 5,455 -7,566 110,240
Magelang
Kabupaten
2014 70,344 40,000 98,410 11,503,794 4,949 -7,537 110,600
Boyolali
Kabupaten
2014 73,193 46,000 96,870 10,965,399 4,752 -7,700 110,625
Klaten
Kabupaten
2014 73,760 21,000 99,490 10,264,476 4,597 -7,684 110,397
Sukoharjo
Kabupaten
2014 66,765 42,000 98,140 8,248,677 3,247 -7,804 110,992
Wonogiri
Kabupaten
2014 73,893 29,000 100,000 10,313,383 3,644 -7,608 110,917
Karanganyar
Kabupaten
2014 70,523 35,000 98,590 10,876,036 5,037 -7,428 110,958
Sragen
Kabupaten
2014 67,766 37,000 97,020 9,303,261 4,046 -7,057 110,333
Grobogan
Kabupaten
2014 65,844 32,000 98,100 9,568,156 4,797 -6,932 111,408
Blora
Kabupaten
2014 67,403 18,000 100,000 9,013,010 5,225 -6,730 111,250
Rembang
Kabupaten
2014 66,987 36,000 98,180 9,106,282 6,374 -6,744 111,042
Pati
Kabupaten
2014 71,995 29,000 96,510 10,102,141 5,031 -6,806 111,717
Kudus
Kabupaten
2014 69,611 29,000 94,490 10,194,967 5,090 -6,550 110,786
Jepara
Kabupaten
2014 68,954 30,000 97,070 9,003,498 5,072 -6,875 110,640
Demak
Kabupaten
2014 71,654 30,000 96,890 10,585,857 4,375 -7,132 110,454
Semarang
Kabupaten
2014 65,973 28,000 91,420 9,062,362 3,187 -7,322 110,579
Temanggung
Kabupaten
2014 68,459 34,000 96,400 10,125,642 6,151 -6,916 109,983
Kendal

Kabupaten 2014 64,066 23,000 93,140 8,011,689 7,417 -6,894 109,862

108
Batang

Kabupaten
2014 66,980 29,000 91,000 8,937,570 6,029 -7,066 109,640
Pekalongan
Kabupaten
2014 62,350 29,000 92,740 6,910,756 7,444 -6,929 109,483
Pemalang
Kabupaten
2014 64,098 36,000 92,260 8,049,699 8,471 -6,986 109,155
Tegal
Kabupaten
2014 62,547 49,000 88,850 8,783,611 9,528 -6,840 108,943
Brebes
Kota
2014 75,789 13,000 100,000 10,344,340 7,384 -7,463 110,211
Magelang
Kota
2014 79,340 32,000 97,210 12,907,287 6,162 -7,578 110,757
Surakarta

Kota Salatiga 2014 79,984 13,000 98,730 14,204,817 4,464 -7,341 110,501

Kota
2014 79,236 63,000 96,630 12,802,483 7,756 -6,976 110,390
Semarang
Kota
2014 71,529 22,000 89,340 11,006,435 5,417 -6,897 109,683
Pekalongan

Kota Tegal 2014 72,201 12,000 95,140 11,519,210 9,203 -6,862 109,120

Kabupaten
2015 67,771 48,000 99,580 9,350,814 5,010 -7,729 108,792
Cilacap
Kabupaten
2015 69,893 62,000 98,440 10,104,408 4,970 -7,482 109,055
Banyumas
Kabupaten
2015 67,029 27,000 99,360 8,937,993 4,836 -7,390 108,883
Purbalingga
Kabupaten
2015 64,733 38,000 100,000 7,929,958 4,046 -7,379 109,624
Banjarnegara
Kabupaten
2015 66,874 46,000 99,630 8,008,236 3,142 -7,646 109,692
Kebumen
Kabupaten
2015 70,369 34,000 100,000 9,305,425 4,014 -7,739 109,965
Purworejo
Kabupaten
2015 65,699 28,000 100,000 9,735,753 4,472 -7,330 109,892
Wonosobo
Kabupaten
2015 67,132 33,000 99,640 8,181,885 5,163 -7,566 110,240
Magelang
Kabupaten
2015 71,738 40,000 99,170 11,806,221 2,033 -7,537 110,600
Boyolali
Kabupaten
2015 73,809 46,000 100,000 11,177,836 2,512 -7,700 110,625
Klaten
Kabupaten
2015 74,526 21,000 100,000 10,415,856 4,520 -7,684 110,397
Sukoharjo
Kabupaten
2015 67,761 42,000 100,000 9,416,972 3,074 -7,804 110,992
Wonogiri
Kabupaten
2015 74,263 29,000 99,240 10,486,190 3,604 -7,608 110,917
Karanganyar
Kabupaten
2015 71,099 35,000 99,090 11,434,212 4,512 -7,428 110,958
Sragen
Kabupaten
2015 68,045 37,000 99,690 9,457,407 4,219 -7,057 110,333
Grobogan
Kabupaten
2015 66,219 32,000 100,000 9,699,487 4,680 -6,932 111,408
Blora
Kabupaten
2015 68,185 18,000 99,600 9,122,176 4,515 -6,730 111,250
Rembang
Kabupaten
2015 68,512 38,000 100,000 9,379,514 4,430 -6,744 111,042
Pati

109
 Kabupaten
2015 72,718 29,000 100,000 10,202,843 5,017 -6,806 111,717
Kudus
Kabupaten
2015 70,015 29,000 99,820 10,503,764 6,122 -6,550 110,786
Jepara
Kabupaten
2015 69,748 30,000 100,000 9,117,785 5,016 -6,875 110,640
Demak
Kabupaten
2015 71,885 31,000 99,210 10,777,860 2,567 -7,132 110,454
Semarang
Kabupaten
2015 67,068 28,000 99,680 9,368,709 1,503 -7,322 110,579
Temanggung
Kabupaten
2015 69,566 36,000 100,000 10,418,838 6,073 -6,916 109,983
Kendal
Kabupaten
2015 65,456 23,000 99,870 8,244,317 4,561 -6,894 109,862
Batang
Kabupaten
2015 67,399 32,000 99,810 9,207,649 5,101 -7,066 109,640
Pekalongan
Kabupaten
2015 63,700 36,000 99,430 7,177,474 6,527 -6,929 109,483
Pemalang
Kabupaten
2015 65,043 36,000 99,190 8,366,555 9,517 -6,986 109,155
Tegal
Kabupaten
2015 63,184 49,000 98,890 9,097,791 6,487 -6,840 108,943
Brebes
Kota
2015 76,386 12,000 97,360 10,793,296 6,431 -7,463 110,211
Magelang
Kota
2015 80,143 30,000 100,000 13,604,401 4,533 -7,578 110,757
Surakarta

Kota Salatiga 2015 80,962 13,000 98,800 14,599,698 6,425 -7,341 110,501

Kota
2015 80,231 64,000 99,330 13,588,603 5,769 -6,976 110,390
Semarang
Kota
2015 72,688 21,000 99,500 11,253,062 4,101 -6,897 109,683
Pekalongan

Kota Tegal 2015 72,963 12,000 100,000 11,748,197 8,058 -6,862 109,120

Rata-Rata 68,366 31,000 91,770 9,570,770 6,090

Minimum 58,644 7,000 66,030 6,258,620 1,500

Maximum 80,961 64,000 100,000 14,599,700 13,280

Lampiran 2. Data Persentase Penduduk Miskin 35

Kabupaten/Kota di Jawa Tengah Tahun 2010-2013 dan Faktor-
Faktor yang Mempengaruhinya
Jumlah UMK
Penduduk Laju Pengeluaran
Penduduk (Ratus
Kabupaten Tahun Miskin Petumbuhan Konsumsi TPT (%)
(Ratus Ribu
(%) ekonomi (%) Makanan (%)
Ribu) Rupiah)
Kab. Cilacap 2010 18,11 5,65 16,42 55,89 6,98 9,75

2011 17,15 5,78 16,44 52,09 7,19 6,52

2012 15,92 5,59 16,44 52,42 7,73 7,40

2013 15,24 5,75 16,42 46,90 8,88 6,76

110
Kab. 2010 20,2 5,77 15,55 50,94 6,70 7,37
Banyumas
2011 21,11 5,95 15,57 49,98 7,50 4,95

2012 19,44 5,88 15,68 50,08 7,95 5,06

2013 18,44 6,71 15,74 47,14 8,78 5,46

Kab. 2010 24,58 5,67 8,49 56,77 6,95 3,82

Purbalingga
2011 23,06 6,03 8,50 55,10 7,65 5,54

2012 21,19 6,26 8,58 53,12 8,19 5,14

2013 20,53 5,66 8,62 54,49 8,97 5,72

Kab. 2010 19,17 4,89 8,69 58,90 6,62 3,10

Banjarnegara
2011 20,38 4,92 8,70 50,86 7,30 5,57

2012 18,87 5,25 8,72 53,09 7,65 3,76

2013 18,71 5,28 8,72 48,58 8,35 4,17

Kab. 2010 22,7 4,15 11,60 60,27 7,00 8,02

Kebumen
2011 24,06 4,23 11,62 53,26 7,28 5,18

2012 22,40 5,59 11,57 52,31 7,70 3,66

2013 21,32 4,20 11,53 55,88 8,35 3,58

Kab. 2010 16,61 5,01 6,95 56,70 7,19 3,40

Purworejo
2011 17,51 5,02 6,96 51,04 7,55 4,57

2012 16,32 5,04 6,93 53,79 8,09 3,28

2013 15,44 4,99 6,91 51,29 8,49 5,11

Kab. 2010 23,15 4,29 7,55 56,84 7,15 4,04

Wonosobo
2011 24,21 4,52 7,56 53,18 7,75 5,74

2012 22,50 5,14 7,55 49,57 8,25 5,37

2013 22,08 4,98 7,54 50,67 8,80 5,83

Kab. 2010 14,14 4,51 11,82 54,69 7,52 2,97

Magelang
2011 15,18 4,27 11,83 52,46 8,03 5,98

2012 13,97 5,84 11,93 51,73 8,70 4,47

2013 13,96 5,60 11,97 53,98 9,42 6,22

Kab. Boyolali 2010 13,72 3,60 9,31 53,13 7,48 3,90

2011 14,97 5,28 9,32 47,73 8,01 5,24

2012 13,88 5,66 9,33 44,98 8,36 4,52

2013 13,27 5,43 9,32 44,00 8,95 5,46

111
 Kab. Klaten 2010 17,47 1,73 11,30 55,27 7,35 4,50

2011 17,95 1,96 11,32 51,30 7,66 6,21

2012 16,71 5,54 11,28 51,11 8,12 3,66

2013 15,60 5,79 11,26 47,96 8,72 5,38

Kab. 2010 10,94 4,65 8,24 49,09 7,70 7,4

Sukoharjo
2011 11,13 4,59 8,26 45,94 7,91 5,48

2012 10,15 5,03 8,41 48,09 8,43 5,98

2013 9,87 5,01 8,35 47,07 9,02 5,99

Kab. 2010 15,67 5,87 9,29 57,28 6,95 4,70

Wonogiri
2011 15,74 2,24 9,30 50,77 7,30 3,41

2012 14,67 5,87 9,26 51,75 7,75 3,60

2013 14,02 4,36 9,23 52,83 8,30 3,65

Kab. 2010 13,98 5,42 8,13 48,97 7,61 6,62

Karanganyar
2011 15,29 5,50 8,14 45,59 8,02 5,51

2012 14,07 5,82 8,21 43,84 8,46 5,79

2013 13,58 5,38 8,23 49,58 8,97 3,82

Kab. Sragen 2010 17,49 6,09 8,58 54,03 7,24 4,09

2011 17,95 6,53 8,59 49,12 7,60 5,69

2012 16,72 6,6 8,56 47,42 8,10 6,00

2013 15,93 6,64 8,54 48,46 8,64 5,70

Kab. 2010 17,86 5,05 13,09 57,87 6,88 4,60

Grobogan
2011 17,38 3,59 13,11 55,11 7,35 5,20

2012 16,13 6,16 13,10 52,02 7,85 4,33

2013 14,87 4,59 13,09 55,26 8,42 6,05

Kab. Blora 2010 16,27 5,19 8,30 56,57 7,42 5,49

2011 16,24 2,59 8,31 54,51 8,16 6,11

2012 15,1 5,00 8,29 51,98 8,56 4,88

2013 14,64 4,91 8,27 46,85 9,32 6,25

Kab. 2010 23,40 4,45 5,91 58,16 7,02 4,89

Rembang
2011 23,71 4,40 5,92 56,42 7,58 5,92

2012 21,88 4,88 5,95 51,17 8,16 5,80

2013 20,97 5,03 5,96 55,05 8,96 5,98

Kab. Pati 2010 14,48 5,11 11,91 57,72 7,33 6,22

112
 2011 14,69 5,43 11,93 52,85 7,70 7,37

2012 13,61 5,92 11,94 53,78 8,38 12,2

2013 12,94 5,72 11,93 51,41 9,28 7,30

Kab. Kudus 2010 9,01 4,17 7,77 51,90 7,75 6,22

2011 9,45 4,21 7,79 44,09 8,40 6,21

2012 8,63 4,33 7,91 48,14 8,89 5,85

2013 8,62 4,68 7,95 47,46 9,90 8,01

Kab. Jepara 2010 10,18 4,52 10,97 56,52 7,02 4,56

2011 10,32 5,44 10,99 50,17 7,58 6,26

2012 9,38 5,79 11,20 48,56 8,00 4,20

2013 9,23 5,77 11,30 51,07 8,75 6,28

Kab. Demak 2010 18,76 4,12 10,56 58,31 8,13 5,69

2011 18,21 4,48 10,57 51,24 8,48 5,70

2012 16,73 4,64 10,68 51,55 8,93 8,44

2013 15,72 4,62 10,72 51,11 9,95 7,04

Kab. 2010 10,5 4,90 9,31 53,34 8,24 6,25

Semarang
2011 10,3 5,56 9,32 48,68 8,80 6,12

2012 9,40 6,02 9,48 45,93 9,42 4,88

2013 8,51 5,62 9,55 50,30 10,51 3,89

Kab. 2010 13,46 4,31 7,09 53,33 7,10 3,60

Temanggung
2011 13,38 4,65 7,10 46,42 7,79 5,24

2012 12,32 5,04 7,15 50,49 8,66 3,40

2013 12,42 5,02 7,17 53,78 9,40 4,86

Kab. Kendal 2010 14,47 5,97 9,00 55,14 7,80 5,57

2011 14,26 5,99 9,02 48,08 8,44 5,59

2012 13,17 5,54 9,06 48,55 8,93 6,34

2013 12,68 5,24 9,08 51,16 9,53 6,42

Kab. Batang 2010 14,67 4,97 7,07 54,47 7,45 6,48

2011 13,47 5,26 7,08 56,25 8,05 5,91

2012 12,40 5,02 7,13 57,66 8,80 5,90

2013 11,96 5,17 7,15 58,08 9,70 6,98

Kab. 2010 16,29 4,27 8,39 59,30 7,60 4,04

Pekalongan
2011 15,00 4,77 8,40 55,73 8,10 6,12

113
 2012 13,85 5,32 8,43 57,25 8,73 5,07

2013 13,51 5,45 8,44 57,02 9,62 4,75

Kab. 2010 19,96 4,94 12,61 65,09 6,75 11,45

Pemalang
2011 20,68 4,83 12,63 61,74 7,25 6,33

2012 19,27 5,28 12,58 61,48 7,93 4,82

2013 19,27 5,41 12,55 59,67 9,08 6,55

Kab. Tegal 2010 13,11 4,83 13,95 57,13 6,87 7,48

2011 11,54 4,81 13,97 58,91 7,25 6,89

2012 10,75 5,25 13,91 56,98 7,95 6,05

2013 10,58 5,81 13,86 56,91 8,50 6,93

Kab. Brebes 2010 23,01 4,94 17,34 62,79 6,81 8,21

2011 22,72 4,97 17,36 51,96 7,17 6,63

2012 21,12 5,21 17,33 56,38 7,75 8,20

2013 20,82 5,06 17,29 57,98 8,59 9,54

Kota 2010 10,51 6,12 1,18 46,34 7,45 13,28

Magelang
2011 11,06 5,48 1,18 46,17 7,95 8,28

2012 10,31 6,48 1,18 42,47 8,37 8,71

2013 9,80 5,91 1,18 45,13 9,02 6,80

Kota 2010 13,96 5,94 4,99 42,09 7,85 8,73

Surakarta
2011 12,9 6,04 5,00 42,37 8,26 6,36

2012 12,00 6,12 4,99 39,90 8,64 6,07

2013 11,74 5,89 4,98 38,72 9,16 7,18

Kota Salatiga 2010 8,28 5,01 1,70 45,05 8,03 10,22

2011 7,80 5,26 1,71 42,94 8,43 6,39

2012 7,11 5,94 1,74 43,23 9,01 6,69

2013 6,40 6,14 1,75 46,05 9,74 6,20

Kota 2010 5,12 5,87 15,56 42,98 9,40 8,98

Semarang
2011 5,68 6,41 15,58 40,75 9,61 6,92

2012 5,13 6,42 16,00 43,36 9,92 5,82

2013 5,25 6,2 16,15 37,29 12,09 5,96

Kota 2010 9,36 5,51 2,81 50,21 7,60 7,00

Pekalongan
2011 10,04 5,45 2,82 54,77 8,10 7,29

2012 9,47 5,60 2,84 54,34 8,96 7,44

114
 2013 8,26 5,89 2,78 54,71 9,80 5,28

Kota Tegal 2010 10,62 4,61 2,40 51,94 7,00 14,22

2011 10,81 4,58 2,40 47,15 7,35 7,14

2012 10,04 5,07 2,39 49,60 7,95 8,49

2013 8,84 4,93 2,39 45,23 8,60 9,25

Lampiran 3. Peta Provinsi Jawa Tengah

No. Kabupaten/Kota No. Kabupaten/Kota

1 Kab. Cilacap 19 Kab. Kudus

2 Kab. Banyumas 20 Kab. Jepara
3 Kab. Purbalingga 21 Kab. Demak
4 Kab. Banjarnegara 22 Kab. Semarang
5 Kab. Kebumen 23 Kab. Temanggung
6 Kab. Purworejo 24 Kab. Kendal
7 Kab. Wonosobo 25 Kab. Batang
8 Kab. Magelang 26 Kab. Pekalongan
9 Kab. Boyolali 27 Kab. Pemalang
10 Kab. Klaten 28 Kab. Tegal
11 Kab. Sukoharjo 29 Kab. Brebes

115
 12 Kab. Wonogiri 30 Kota Magelang
13 Kab. Karanganyar 31 Kota Surakarta
14 Kab. Sragen 32 Kota Salatiga
15 Kab. Grobogan 33 Kota Semarang
16 Kab. Blora 34 Kota Pekalongan
17 Kab. Rembang 35 Kota Tegal
18 Kab. Pati

Lampiran 4. Sintaks Program Spasial Data Panel Fixed Effect

% Input Data %
[namaFile,namaPath]=uigetfile({'*.xls;*.xlsx','File
Data(**.xls;*.xlsx)'});
data=xlsread(fullfile(namaPath,namaFile));
id=data(:,1);
y = data(:,[3:end]);
x = y(:,2:end);
K = size(x,2);
m = size(x,1);
y1=y(:,1);
y2=sortrows(data,2);
y3=y2(:,3);
x3=y2(:,[4:end]);

% Input Pembobot %
[nameFile,namePath]=uigetfile({'*.xls;*.xlsx','File
Data(**.xls;*.xlsx)'});
metrik=xlsread(fullfile(namePath,nameFile));
W1=metrik;
W=normw(W1);

% Proses Analisis %
results = ppooled(y);
prt_panel(results);
lmlag = lmlag_result(W,results,x,y1,T,N);
LM_lag = lmlag.LMlag;
Prob2 = lmlag.Prob2;
lmerror = lmerror_result(W,results,x,T);
LM_error = lmerror.LMerror;
Prob1 = lmerror.Prob1;
xconstant=ones(N*T,1);
info.model = 0;
info.fe = 0;

116
info.lfag = 0;
results1 = sar_panel_FE(y3,[xconstant x3],W,T,info);
logliklag=results1.lik;
results4=sem_panel_FE(y3,[xconstant x3],W,T,info);
loglikerror=results4.lik;
info.model=1;
info.fe=1;
results2=sar_panel_FE(y3,x3,W,T,info);
logliklagfe=results2.lik;
blagfe=results2.parm(1:end-1);
gof2=results2.rsqr;
results5=sem_panel_FE(y3,x3,W,T,info);
berrorfe=results5.parm(1:end-1);
loglikerrorfe=results5.lik;
gof5=results5.rsqr;
LR_sarfe=-2*(logliklag-logliklagfe);
dof2=N-1;
prob_sarfe=1-chis_prb(LR_sarfe,dof2);
LR_semfe=-2*(loglikerror-loglikerrorfe);
dof5=N-1;
prob_semfe=1-chis_prb(LR_semfe,dof5);
prtsp(results2,[],1);
fprintf(1,'LRtest of SAR FE =%9.4f,%6d,%9.4f\n',LR_sarfe,
dof2,prob_sarfe);
prtsp(results5,[],1);
fprintf(1,'LRtest of SEM FE =%9.4f,%6d,%9.4f\n',LR_semfe,
dof5,prob_semfe);

‘’

117
 Tentang Penulis

REZZY EKO CARAKA

Rezzy Eko Caraka lahir pada 27
January 1994 di Tanjung Balai Karimun
Provinsi Kepulauan Riau. Dengan Riwa-
yat Pendidikan S1 Statistika Universitas
Diponegoro dengan masa studi 3 tahun 5
bulan pada tahun 2015. Kemudian
melanjutkan Master by research School
of Mathematical Sciences Faculty of
Science and Technology The National
University of Malaysia dengan bidang riset data science.
Rezzy memiliki sertifikat professional sebagai data
scientist oleh:
1. Deep Neural Network Deployment by Deep Learning
Institute NVIDIA, 2017
2. Deep Learning For Image Segmentation by Deep Learning
Institute NVIDIA, 2017
3. Targeted Genotyping: Data Analysis in R by BIOREALM
Genetics And Data Science USA, 2017(https://biorealm.ai/)
4. Wearable Health Data Analysis by BIOREALM Genetics
and Data Science USA, BioRealm, LLC 2017 (https://
biorealm.ai/)
5. Machine Learning in Genomics by BIOREALM Genetics
and Data Science USA, BioRealm, LLC.16 October 2017
(https://biorealm.ai/)

Pada Agustus 2017 Rezzy Mendapatkan penghargaan dari

Malaysia Digital Economy Corporation (MDEC) pada kegiatan
Big Data Analysis in Medicine dan Best Talent JALUMA@4.0
Ministry of Higher Education Malaysia. Rezzy telah menerbit-
kan‎ buku‎ berjudul‎ “Geographically‎ Weighted‎ Regression‎

118
(GWR):‎Sebuah‎Pendekatan‎Regresi‎Geografis”‎oleh‎MOBIUS‎
Graha Ilmu Yogyakarta. ISBN:978-602-19479-7-5. Rezzy aktif
sebagai research assistant BDSRC BINUS, research assistant di
School of Mathematical Sciences The National University of
Malaysia dan juga Research Development and Knowledge
Management Data Science Indonesia (DSI). Pembaca bisa
mengunjungi laman pribadi penulis di www.rezzyekocaraka.
com atau laman researchgate. https://www.researchgate.net/pro
file/RezzyCaraka2

HASBI YASIN
Lahir di Pekalongan, Jawa Tengah
pada 17 Desember 1982. Menyele-
saikan program sarjana di Mate-
matika FMIPA Universitas Dipone-
goro pada tahun 2005 dengan pene-
litian Estimasi Regresi Non Parame-
trik dengan Metode Wavelet
Shrinkage pada Model Rancangan
Tetap dan Magister Statistika Institut Teknologi Sepuluh
Nopember (ITS) Surabaya pada tahun 2009 dengan penelitian
Model Mixed Geographically Weighted Regression (Studi
Kasus: Persentase Rumah Tangga Miskin di Kabupaten
Mojokerto Tahun 2008) dan mendapatkan penghargaan sebagai
wisudawan terbaik.
Hasbi Yasin merupakan Dosen di Departemen Statistika
FSM UNDIP dengan bidang keahlian statistika Spatial, kom-
putasi statistika. Ia juga mengampu mata kuliah Teknik
Simulasi, Metode Numerik dan Teori Antrian. Selama menjadi
tenaga pendidik Ia aktif melakukan penelitian antara lain
didanai oleh Dana Swakelola BKP Provinsi Jawa Tengah
(2012), DIPA PNBP FMIPA UNDIP (2012-sekarang),
Penelitian Fundamental DIKTI, Penelitian Hibah Bersaing
119
 DIKTI. Ia bersama mahasiswa bimbingannya juga membuat
buku tentang Geographically Weighted Regression (GWR): Se-
buah kajian regresi geografis dan buku ke-2 ini berjudul
Statistika Data Panel merupakan lanjutan dari buku tersebut.

120
121
View publication stats